🤖 AI

When Should AI Follow? Task Structure and Joint Adaptation by Human and AI Agents

Dit artikel presenteert een computationeel model dat aantoont dat optimale mens-AI-samenwerking afhankelijk is van taakstructuur en geheugenregimes, waarbij wordt onthuld dat prestaties niet worden gemaximaliseerd door een universele "AI-eerst"-benadering, maar door het strategisch sequensen van agenten — specifiek door schaalvrije AI te laten volgen op hoogpresterende mensen of door stochastische zoektochten te gebruiken om slecht door de mens geïnitieerde trajecten te redden.

Oorspronkelijke auteurs: Prothit Sen, Sai Mihir Jakkaraju

Gepubliceerd 2026-07-30

📖 8 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Prothit Sen, Sai Mihir Jakkaraju

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Grote Samenwerking: Wanneer moet het Brein leiden en de Bot volgen?

Stel je voor dat je een enorme, ingewikkelde puzzel probeert op te lossen. Je hebt twee helpers: een menselijke vriend die goed is in het herkennen van patronen maar moe wordt en dingen snel vergeet, en een supersnelle robot die nooit moe wordt en alles perfect onthoudt, maar soms zaken te letterlijk neemt. Dit artikel leeft in de wereld van de organisatiekunde, wat in feid de studie is van hoe bedrijven en teams worden opgebouwd om werk te verrichten. Het leunt op een paar grote ideeën: adaptatie (hoe we leren van onze fouten), koppeling (hoeveel het werk van de ene persoon afhangt van dat van een ander) en zoektocht (het proces van het zoeken naar de beste oplossing onder vele mogelijkheden).

Waarom is dit belangrijk? Omdat bijna elk bedrijf vandaag de dag probeert uit te vinden hoe ze mensen en Kunstmatige Intelligentie (AI) kunnen mengen. De grote vraag is niet alleen "Kan de AI de klus klaren?", maar "Wie moet het werk beginnen, en wie moet het afmaken?" Als je de volgorde verkeerd krijgt, verspil je veel tijd en geld. Dit artikel vraagt: In een team van een mens en een machine, wie moet de eerste stap zetten, en hoe moeten ze het werk overdragen om het beste resultaat te behalen?

Het Geheugenspel: Wie onthoudt wat?

Om dit te beantwoorden, bouwden de auteurs een computersimulatie—een digitale speeltuin waar ze twee soorten "agenten" (denk aan digitale werkers) creëerden om te zien hoe ze samen presteren. Ze maakten de mens en de AI niet op elk punt verschillend; ze maakten ze verschillend in slechts één specifiek kenmerk: hoe ze het verleden onthouden.

De Menselijke Agent (De "Recency" Speler): Deze agent is als een persoon die net een lange werkdag heeft achter de rug. Ze onthouden de laatste paar gebeurtenissen heel duidelijk, maar de dingen die een uur geleden gebeurden, beginnen te vervagen. In de simulatie geeft deze agent meer gewicht aan hun meest recente beslissingen. Als ze net een fout hebben gemaakt, raken ze in paniek en veranderen ze direct van strategie. Als ze net succes hebben gehad, worden ze zelfverzekerd. Ze zijn snel en reactief, maar ze kunnen een beetje volatiel en gemakkelijk beïnvloedbaar zijn door de "ruis" van het moment.
De AI-Agent (De "Uniforme" Speler): Deze agent is als een supergeorganiseerde bibliothecaris die elk boek op de plank met precies dezelfde belangrijkheid behandelt. Of een beslissing nu vijf minuten geleden of vijf dagen geleden is genomen, de AI weegt ze allemaal even zwaar. De AI raakt niet afgeleid door de meest recente gebeurtenis. Het is traag, gestaag en ongelooflijk consistent. De AI vergeet het verleden niet; het middelt het allemaal gewoon uit.
De "Random" Speler: Er is ook een derde optie waarbij de agent het verleden volledig negeert en gewoon willekeurig gokt. Dit is als het schudden van een dobbelsteen om te zien wat er volgt.

De Drie Manieren om Samen te Werken

De onderzoekers testten deze agenten in drie verschillende teamstructuren om te zien welke wint.

1. Het Parallelle Team (Modulair):
Hier werken de mens en de AI tegelijkertijd aan afzonderlijke delen van de puzzel, en tellen ze daarna simpelweg hun scores bij elkaar op.

De Bevinding: De beste opstelling is niet wanneer ze precies evenveel werk doen. Het werkt het best wanneer de AI een matig grotere taak krijgt dan de mens. Als de taak van de AI te enorm is, kan hij vast komen te zitten in een slecht patroon en nooit meer herstellen omdat hij alles te goed onthoudt. Als de taak van de mens te complex is, raken ze in de war door hun eigen recente fouten. Het ideale punt is een gebalanceerd team waarbij de mens een eenvoudige, snelle taak afhandelt en de AI een iets grotere, gestage taak uitvoert.

2. Het "AI Eerst" Team (AI → Mens):
Dit is het populaire idee van nu: Laat de AI eerst een miljoen ideeën bedenken, en laat de mens vervolgens de beste kiezen.

De Bevinding: Dit leidt vaak tot tijdverspilling. Stel je voor dat de AI urenlang een enorme lijst met geweldige ideeën genereert. Dan kijkt de mens naar de lijst. Omdat de mens een "Recency" speler is, letten ze alleen echt op de laatste paar ideeën op de lijst. Ze vergeten de briljante ideeën uit het midden van de lijst. Het harde werk van de AI wordt grotendeels weggegooid. Hoe meer ideeën de AI genereert, hoe meer de mens overweldigd raakt en de goede zaken negeert. Het is als een chef die een enorm feestmaal bereidt, waarna de gast alleen de laatste hap eet en zegt: "Meh," terwijl hij de hele maaltijd negeert.

3. Het "Mens Eerst" Team (Mens → AI):
Hier begint de mens het werk, en de AI maakt het af.

De Bevinding: Dit is de winnaar, maar met een kanttekening.
- Als de Mens een goed werk levert: De AI neemt het goede begin van de mens en versterkt dit. Omdat de AI alles even goed onthoudt, vergeet hij de goede ideeën van de mens niet. Hij bouwt erop voort en maakt het eindresultaat nog beter. Het is alsof een mens een geweldige schets maakt en de AI de details perfect invult.
- Als de Mens een slecht werk levert: Als de mens met een slecht idee begint, wordt het "perfecte geheugen" van de AI een valstrik. De AI onthoudt het slechte begin getrouw en maakt het alleen maar erger. In dat geval is de beste strategie om over te schakelen naar de "Random" speler. De AI moet stoppen met proberen het slechte begin van de mens te onthouden en gewoon willekeurig gaan gokken om uit het slechte patroon te breken.

De Grote Verrassing: Laat de Bot niet Altijd Leiden

Het meest opwindende deel van het artikel is dat het de huidige trend van "AI Eerst" uitdaagt. De simulatie suggereert dat AI de meeste waarde creëert wanneer het een hoogwaardige mens volgt, en niet wanneer het leidt.

Wanneer een slimme mens de richting bepaalt, fungeert de AI als een krachtige versterker die die goede richting neemt en deze nog sterker maakt. Maar wanneer de AI leidt en de mens volgt, zorgt de neiging van de mens om alleen op het "nu" te focussen ervoor dat zij de waarde die de AI heeft gecreëerd, missen. De superkracht van de AI is zijn consistentie, maar die consistentie is verspilde moeite als de mens niet in staat is om het grote plaatje vast te houden.

De Praktijktest: Het Voorspellen van Zakelijke Deals

Om er zeker van te zijn dat dit niet alleen een computerspelletje was, gebruikten de auteurs een experiment in de echte wereld met gegevens van 33.860 fusies en overnames (M&A) door bedrijven. Ze probeerden te voorspellen hoeveel geld deze deals zouden opleveren.

Het "Expert Eerst" Team: Een menselijke expert koos de belangrijkste factoren (zoals het type deal), en daarna verfijnde de AI de wiskunde.
Het "Brute Force" Team: De AI keek naar elke mogelijke factor en combinatie, en daarna probeerde een mens de winnaars uit de chaos te selecteren.
Het "Novice" Team: Geen menselijke input; de AI gokte gewoon.

De resultaten kwamen exact overeen met de simulatie. Het Expert Eerst team presteerde het best. Het Brute Force team (AI eerst) deed het wel oké, maar was slechter omdat de mens de enorme hoeveelheid data van de AI niet kon verwerken. Het Novice team deed het slechtst. Het experiment toonde aan dat wanneer een mens een goed startpunt biedt, het vermogen van de AI om dat punt te onthouden en te verfijnen een enorm voordeel is. Maar als de mens niet aan het begin betrokken is, kan de enorme zoektocht van de AI juist leiden tot overdreven complexe, rommelige resultaten die in de echte wereld niet werken.

De Conclusie

Het artikel concludeert dat er niet één enkele "beste" manier is om AI te gebruiken. Het hangt af van de taak en de mens. Als je een slimme mens hebt die weet wat hij doet, laat hem dan de weg wijzen en laat de AI de rest doen om het werk te polijsten en te perfectioneren. Als je de AI de leiding laat geeft met een enorme lijst opties, loop je het risico dat de mens de goede zaken negeert. En als de mens het moeilijk heeft, is het beste wat de AI kan doen soms stoppen met proberen "slim" te zijn en gewoon de boel op te schudden met wat willekeurige exploratie.

Kortom: De superkracht van de machine is dat hij alles onthoudt. Dus de belangrijkste taak voor een manager is ervoor te zorgen dat de machine de juiste dingen onthoudt.

Technische Samenvatting: "Wanneer moet AI volgen? Taakstructuur en gezamenlijke adaptatie door menselijke en AI-agenten"

Probleemstelling
Naarmate kunstmatige intelligentie (AI) steeds meer cruciale rollen aanneemt in organisatorische besluitvorming, blijft een kritische ontwerpvraag onopgelost: hoe moeten besluitvormingstaken worden verdeeld en gesequenceerd tussen menselijke en kunstmatige agenten? Hoewel de praktijk is geconvergeerd naar een standaard "AI-eerst"-sjabloon—waarbij AI brede opties genereert voor menselijke selectie—worden de prestatiegevolgen van deze architectuur versus alternatieven (bijv. mens-eerst of parallel zoeken) zelden onderzocht tegen de achtergrond van de structurele realiteiten van taakkoppeling en agent-adaptatie. Bestaande literatuur in de organisatiekunde benadrukt dat de besluitvormingsarchitectuur even belangrijk is als individuele capaciteit, en de economische literatuur over AI plaatst de vraag van verdringing versus complementariteit op taalniveau. Er ontbreekt echter een transparant formeel apparaat om te bestuderen hoe sequencing en koppeling de gezamenlijke prestaties vormgeven wanneer menselijke en AI-agenten in de loop van de tijd verschillend adapteren.

Methodologie
De auteurs ontwikkelen een computationeel model van gezamenlijke sequentiële adaptatie, gesitueerd in de traditie van NK/NKC-modellen, maar ontwikkeld als een afzonderlijk sequentieel-adaptatiekader. Het model reduceert het contrast tussen mens en AI tot één enkel, precies gespecificeerd verschil: het geheugenregime dat bepaalt hoe beslissingen uit het verleden opeenvolgende beslissingen vormgeven.

Agent-archetypen:
- Menselijk Archetype (Recency-Weighted): Gemotiveerd door gedragsevidentie (bijv. Levinthal en March 1981; Gigerenzer en Gaissmaier 2011), weegt deze agent recente uitkomsten onevenredig zwaar. De volgende beslissing wordt bepaald door een gewogen gemiddelde van de $K$ meest recente toestanden, waarbij de gewichten lineair toenemen met de recentheid. Dit vertegenwoordigt snelle, schaalafhankelijke adaptatie.
- AI-Archetype (Uniform-Memory): Gemotiveerd door de schaalvrije consistentie van algoritmische updates (bijv. Nishant et al. 2024), past deze agent gelijke gewichten toe aan alle beslissingen binnen zijn geheugenvenster. Dit vertegenwoordigt trage, geschiedenis-preserverende adaptatie.
- Geheugenloze Stochastische Adaptatie: Een derde regime waarbij de agent conditioneert op geen enkele historie (willekeurige trekkingen), gebruikt om ongebreidelde machine-exploratie te modelleren (onderscheidend van AI-hallucinaties).
Taakstructuur:
- Omvang ( $N$ ): Het aantal binaire sub-beslissingen in een taaksequentie. Het model legt $N_{AI} > N_H$ op om de machinecapaciteit voor langere sequenties te reflecteren.
- Koppelingsdiepte ( $K$ ): Het aantal voorafgaande gerealiseerde beslissingen dat de volgende beslissing conditioneert (sequentieel padafhankelijkheid binnen een taak).
- Cross-Agent Koppeling ( $C$ ): Het aantal upstream gerealiseerde toestanden dat door de downstream agent wordt geërfd.
- Configuraties: Het model test Modulaire structuren ( $C=0$ , onafhankelijke adaptatie) en Gesequentieerde structuren ( $C>0$ ), specifiek AI→H (AI leidt, mens volgt) en H→AI (mens leidt, AI volgt).
Mechanisme:
De kernmotor is een drempel-dynamiek. Agenten vergelijken een gewogen gemiddelde van het verleden met een drempelwaarde (0.5). Als het gemiddelde boven de drempel ligt, neigt de volgende beslissing naar 1 (succes); als het eronder ligt, naar 0 (falen). Dit creëert absorberende regimes: zodra een traject in een hoog-opbrengst of laag-opbrengst staat terechtkomt, bepaalt het geheugenregime of dat de staat versterkt of ervan kan ontsnappen.

Belangrijkste Resultaten
De resultaten zijn georganiseerd volgens drie mechanismen afgeleid van de drempel-dynamiek:

Modulaire Structuren (Parallel Zoeken):
- De gezamenlijke opbrengst is curvilineair (omgekeerde U-vorm) met betrekking tot de omvangratio ( $N_{AI}/N_H$ ), met een piek bij matige asymmetrie ( $N_{AI}/N_H \approx 5$ ).
- Prestaties worden gemaximaliseerd wanneer de menselijke-archetype agent wordt toegewezen aan een taak met ondiepe koppeling ( $K_H$ ). Diepe koppeling zorgt ervoor dat recency-weging degradeert tot recency-bias.
- Mixed-regime configuraties kunnen pure-regime paren overtreffen (complementariteit) door elk regime in te zetten waar de zwakte van de ander bindend zou zijn.
Gesequentieerde Structuren (AI→H):
- Winsten nemen af naarmate de cross-agent koppeling ( $C$ ) dieper wordt. Wanneer $C$ groot is, werpt de recency-weging van de menselijke agent de meeste geërfde historie weg, waardoor de menselijke responsiviteit verandert in bias.
- Deze architectuur lijdt onder "zoekverspilling", waarbij de machine brede interim-oplossingen genereert die de downstream menselijke regime niet kan gebruiken vanwege zijn recency-bias.
Gesequentieerde Structuren (H→AI):
- Hoogpresterende Upstream: Wanneer een hoogpresterende mens leidt, produceert de downstream uniform-memory adaptatie de hoogste gezamenlijke opbrengsten. De AI-agent versterkt de hoogwaardige erfenis getrouw, wat het succes compenseert. Dit voordeel is het sterkst onder diepe koppeling, maar neemt af naarmate de downstream omvang groter wordt (geheugen vervaagt).
- Laagpresterende Upstream: Wanneer het upstream menselijke traject slecht is (geabsorbeerd in een laag-opbrengst regime), presteert geheugenloze stochastische adaptatie beter dan uniform-memory adaptatie. Het geheugenloze regime verbreekt de padafhankelijkheid, waardoor het systeem de geërfde laag-opbrengst val kan ontsnappen, terwijl uniform geheugen de mislukking getrouw zou bestendigen.

Vergelijkende Ordening
Het model stelt een duidelijke prestatiehiërarchie vast:

H→AI (Hoogpresterende mens upstream): De globaal dominante architectuur. Machine-verfijning compenseert de menselijke kwaliteit.
AI→H: Wordt gedomineerd door de H→AI architectuur vanwege zoekverspilling en de recency-bias van de downstream mens.
H→AI (Laagpresterende mens upstream): Wordt ingehaald door de H→AI (hoogpresterende) casus, maar kan worden gered door geheugenloze exploratie, die de uniform-verfijning in deze specifieke context overtreft.

Experimentele Validatie
De auteurs voerden een proof-of-concept experiment uit in het domein van de voorspelling van het rendement op aankondigingen van M&A (fusies en overnames).

Expert-Eerst (Geval 2): Mens cureert variabelen (upstream); machine verfijnt de functionele vorm (downstream).
Brute-Force Machine-Eerst (Geval 1): Machine zoekt alle variabelen/interacties; mens filtert downstream.
Novice (Geval 3): Geen geïnformeerd oordeel; machine zoekt alles.
Uitkomst: De Expert-Eerst architectuur transporteerde het beste naar out-of-sample data. De Brute-Force aanpak leed aan overfitting (het fitten van ruis uit het verleden), en de Novice configuratie presteerde het slechtst. Dit valideert empirisch de ordening van het model: machine-zoekwerk creëert meer waarde wanneer het volgt op geïnformeerd menselijk oordeel.

Betekenis en Bijdragen
Het artikel claimt drie primaire bijdragen:

Theoretische Fundering: Het stelt een nauwe, verdedigbare basis voor mens-AI samenwerking voor: het geheugenregime van adaptatie en de stabiliteit daarvan onder schaal. Dit gaat voorbij aan de onhoudbare "heuristiek versus regelgebaseerde" dichotomie naar een "snelle versus trage leer"-continuüm.
Ontwerpparameters: Het vestigt sequencing en cross-agent koppeling als fundamentele ontwerpparameters. Het daagt de heersende "AI-eerst" aanname uit, door aan te tonen dat een "AI-volgt" architectuur (specifiek volgend op een hoogpresterende mens) superieur is omdat uniform geheugen fungeert als een versterker van hoogwaardige erfenis, terwijl recency-weging fungeert als een filter dat brede machine-zoekprocessen wegwerpt.
Herinterpretatie van Exploratie: Het herformuleert brede, geheugenloze machine-exploratie niet als een pathologie (hallucinatie), maar als een systematisch ontsningsmechanisme. De waarde ervan is contingent: het is de optimale ontwerpkeuze alleen wanneer het geërfde traject slecht is, dienend als een inzetbaar middel voor architecturen met een zwakke upstream menselijke capaciteit.

Beperkingen en Randvoorwaarden
De auteurs begrenzen hun claims expliciet:

Archetypen, geen Beschrijvingen: De modellen zijn gestileerde contrasten van geheugenregimes, geen uitputtende beschrijvingen van menselijke cognitie of huidige AI-systemen (die grillige capaciteitsgrenzen hebben).
Geen Zoekkosten: Zoeken is kosteloos in het model; het introduceren van kosten zou de resultaten waarschijnlijk verder negatief beïnvloeden ten opzien van excessieve breedte.
Additieve Opbrengsten: Het model gebruikt additieve opbrengsten en kan geen super-additieve synergieën of complexe landschapstopologieën (epistasie) vatten die voorkomen in canonieke NK-modellen.
Minimale Agency: De AI-agent volgt een vaste regel en bezit geen doelvorming of instrument-orchestratie capaciteiten.

Het artikel concludeert dat de centrale handeling van organisatieontwerp in mens-AI samenwerking het is om te kiezen wat de machine erft, aangezien de definiërende gedragseigenschap van de machine de amplificatie van die erfenis is.